بررسی کارایی شبکه ی عصبی مصنوعی در مقایسه با روش عصبی - فازی در پیش بینی رواناب حاصل از بارش

فرآیند بارش-رواناب فرآیندی غیرخطی بوده و از حیث زمانی و مکانی تصادفی می باشد و تشریح آن با مدل های ساده به راحتی امکان پذیر نیست. بررسی تحقیقات انجام شده نشان می دهد که مدل های مبتنی بر هوش مصنوعی در مدل سازی سامانه های پیچیده عملکرد خوبی دارند. در این تحقیق ضمن بررسی و تعیین مهمترین مولفه های موثر در پیش بینی دقیق میزان رواناب رودخانه خرم آباد، عملکرد شبکه عصبی مصنوعی و سامانه استنتاج تطبیقی عصبی-فازی در پیش بینی رواناب حاصل از بارش با دیدگاه فصلی ارزیابی گردید. نتایج نشان می دهد که در پیش بینی میزان رواناب، کارایی شبکه ی استنتاج تطبیقی عصبی-فازی بهتر از شبکه ی عصبی مصنوعی است. عملکرد مناسب سیستم استنتاج تطبیقی عصبی-فازی (anfis) مستلزم تنظیم مناسب آن است. انتخاب تابع انتقال مناسب از موارد چالش برانگیزی است که در مرحله تنظیم anfis باید انجام شود. تحقیقات گذشته نشان می دهد که تاکنون توصیه ای در ارتباط با انتخاب تابع انتقال مناسب برای مدل سازی بارش-رواناب نشده است. در این تحقیق اثر انتخاب توابع انتقال مختلف بر دقت پیش بینی های مبتنی بر ساختار anfis آموزش دیده در شبیه سازی بارش-رواناب رودخانه خرم آباد بررسی شده است. نتایج نشان می دهد که تابع انتقال گوسی و زنگوله ای بهترین کارایی را در بین توابع انتقال، برای شبیه سازی بارش-رواناب در رودخانه مورد نظر دارند.